🎨 Lanhu MCP Server | 蓝湖MCP服务器
让所有 AI 助手共享团队知识，打破 AI IDE 孤岛
lanhumcp | 蓝湖mcp | lanhu-mcp | 蓝湖AI助手 | 蓝湖skills | Lanhu AI Integration
English | 简体中文
快速开始 • 功能特性 • 使用文档 • 贡献指南
🌟 项目亮点
一个面向蓝湖设计交付与需求阅读的 Model Context Protocol (MCP) 服务器。由 MCP 提供来源数据和资源，大模型结合画面理解并适配目标工程。
v1.8.7：本地 stdio 增加 socksio 与可选直连开关；新增免 Docker 本地启动指南。 版本说明 · LOCAL-STDIO · 设计工作流
v1.8.6：需求页支持按文字、稳定块 ID、分块 ID 或坐标精确取局部图；长页分片保持横向完整。 版本说明
🔥 核心创新：
- 📋 需求分析支持：提取 Axure 页面、文字与注释，提供开发、测试、探索视角；业务结论由 AI 与使用者核对。
- 💬 团队知识库：打破 AI IDE 孤岛，让所有 AI 助手共享知识库和上下文
- 🎨 UI设计支持：自动下载设计稿，智能提取切图，语义化命名；设计图分析可获取尺寸/间距/颜色/字体等精确参数，并得到转换后的 HTML+CSS 代码参考
- ⚡ 性能优化：基于版本号的智能缓存，增量更新，并发处理
🎯 适用场景：
- ✅ Cursor + 蓝湖：让 Cursor AI 直接读取蓝湖需求文档和设计稿
- ✅ Windsurf + 蓝湖：Windsurf Cascade AI 直接读取蓝湖需求文档和设计稿
- ✅ Claude Code + 蓝湖：Claude AI 直接读取蓝湖需求文档和设计稿
- ✅ OpenClaw + 蓝湖：OpenClaw 原生支持读取蓝湖需求文档和设计稿
- ✅ ClawBot + 蓝湖：ClawBot 智能助手深度集成蓝湖协作
- ✅ Trae + 蓝湖：Trae AI 直接读取蓝湖需求文档和设计稿
- ✅ 通义灵码 + 蓝湖：通义灵码 AI 直接读取蓝湖需求文档和设计稿
- ✅ Cline + 蓝湖：Cline AI 直接读取蓝湖需求文档和设计稿
- ✅ 任何支持 MCP 协议的 AI 开发工具
🎯 解决痛点：
- ❌ 旧世界：每个开发者的 AI 独立工作，重复分析需求，无法共享经验
- ✅ 新世界：所有 AI 连接同一知识中枢，需求分析一次、全员复用，踩坑经验永久保存
📑 目录
✨ 核心特性
📋 需求文档分析
- 文档提取：下载和解析 Axure 页面、资源及已支持的注释字段；交互语义的覆盖取决于源数据。
- 三种分析模式：
- 🔧 开发视角：详细字段规则、业务逻辑、全局流程图
- 🧪 测试视角：测试场景、用例、边界值、校验规则
- 🚀 快速探索：核心功能概览、模块依赖、评审要点
- 四阶段工作流：全局扫描 → 分组分析 → 反向验证 → 生成交付物
- 长页视觉证据：完整截图保持原画质与兼容性；超长或超大页面额外返回带重叠区域的原清晰度分块，并标注页名和源坐标。
- 核对流程：通过目录和来源信息帮助检查遗漏，不把流程提示当成准确率保证。
🎨 UI设计支持
- 按画面和图层ID读取（新增）：固定设计版本，返回设计总览、带编号的局部裁图、原始样式与素材ID；不依赖统一的图层命名。
- 原始切图自动交付（新增）：实际下载并校验图片尺寸/哈希，提供可通过 MCP 传输的资源包和客户端安装器。详见 设计上下文与资源交付。
- 设计稿查看：批量下载和展示 UI 设计图
- 设计图分析：返回设计图预览、源参数以及 Schema 派生的 HTML+CSS 参考；生成代码仍需结合原始标注和实际渲染核验。
- 切图提取：自动识别和导出设计切图、图标资源
- 稳定资源映射：图层和素材按ID关联；业务命名由大模型结合视觉和工程约定决定。
💬 团队协作留言板 - 打破 AI IDE 孤岛
🌟 核心创新：让每个开发者的 AI 助手都能共享团队知识和上下文
问题背景：
- 每个开发者的 AI IDE（Cursor、Windsurf）是独立的，无法共享上下文
- A 开发遇到的坑，B 开发的 AI 不知道
- 需求分析结果无法传递给测试同学的 AI
- 团队知识碎片化在各个聊天窗口，无法沉淀
创新解决方案：
- 🔗 统一知识库：所有 AI 助手连接同一个 MCP 服务器，共享留言板数据
- 🧠 上下文传递：开发 AI 分析的需求，测试 AI 可以直接查询使用
- 💡 知识沉淀：坑点、经验、最佳实践以"知识库"类型永久保存
- 📋 任务协作：通过"任务"类型留言，让 AI 帮忙查询代码、数据库
- 📨 @提醒机制：支持飞书通知，打通 AI 协作与人工沟通
- 👥 协作追踪：自动记录谁的 AI 访问过哪些文档，团队透明
⚡ 性能优化
- 智能缓存：基于文档版本号的永久缓存机制
- 增量更新：只下载变更的资源
- 并发处理：支持批量页面截图和资源下载
🚀 快速开始
⚠️ 重要提示：必须使用支持视觉功能的AI模型！
本项目需要AI模型具备图像识别和分析能力，推荐使用以下2026年主流视觉模型：
- 🤖 Claude (Anthropic)
- 🌟 GPT (OpenAI)
- 💎 Gemini (Google)
- 🚀 Kimi (月之暗面)
- 🎯 Qwen (阿里巴巴)
- 🧠 DeepSeek (深度求索)
不支持纯文本模型（如 GPT-3.5、Claude Instant 等）
💡 小白用户？ 直接对 AI 说 "帮我克隆并安装 https://github.com/dsphper/lanhu-mcp 项目"，AI 会引导你完成所有步骤！
方式一：让 AI 帮你安装（推荐！！！）
直接在对 AI 说：
"帮我克隆并安装 https://github.com/dsphper/lanhu-mcp 项目"
AI 会自动完成：克隆项目 → 安装依赖 → 引导获取 Cookie → 配置并启动服务
📖 参考文档：AI 安装指南 • Cookie 获取教程
方式二：手动安装
2.1 Docker 部署（推荐）
优点：环境隔离、一键部署、易于管理
# 1. 克隆项目
git clone https://github.com/dsphper/lanhu-mcp.git
cd lanhu-mcp
# 2. 创建配置并填写 Cookie
cp .env.example .env
# 编辑 .env，将 LANHU_COOKIE 改为你自己的 Cookie
# 3. 构建并启动服务
docker compose up -d --build
Windows 用户可用 copy .env.example .env 创建配置文件。旧版 Docker Compose 可将 docker compose 替换为 docker-compose。
已有单文件部署升级： lanhu_mcp_server.py 已内嵌项目自带的 lanhu_design 实现。在依赖已安装的环境中，只替换这一个文件即可获得完整需求文档与设计稿工具；不再需要额外复制 lanhu_design/ 目录。正式安装仍推荐使用完整仓库、wheel 或 Docker，以便同步依赖。
📖 详细文档：Docker 部署指南
2.2 源码运行
前置要求：Python 3.10+。macOS 自带的 Python 3.9 不满足要求，请先运行 python3 --version 确认版本。
# 1. 克隆项目
git clone https://github.com/dsphper/lanhu-mcp.git
cd lanhu-mcp
# 2. 一键安装（推荐，会引导你配置 Cookie）
bash easy-install.sh # Linux/Mac
# 或
easy-install.bat # Windows
💡 easy-install.sh 会自动安装依赖、引导获取 Cookie 并配置环境。国内用户默认优先使用阿里云 PyPI，并自动回退到清华和官方 PyPI；Chromium 使用 npmmirror 的 Chrome for Testing 专用镜像，兼容旧版路径并以 Playwright 官方 CDN 兜底；可通过 PIP_INDEX_URL、PLAYWRIGHT_DOWNLOAD_HOST、PLAYWRIGHT_CHROMIUM_DOWNLOAD_HOST 覆盖。
Linux / macOS：
python3 -m venv venv
./venv/bin/python -m pip install -e .
./venv/bin/python -m playwright install chromium
cp .env.example .env
# 编辑 .env，将 LANHU_COOKIE 改为你自己的 Cookie
Windows：
python -m venv venv
venv\Scripts\python.exe -m pip install -e .
venv\Scripts\python.exe -m playwright install chromium
copy .env.example .env
配置（源码运行需要）
- 设置蓝湖 Cookie（必需）
export LANHU_COOKIE="your_lanhu_cookie_here"
This is the beginning of the README. Read the rest at the original. Read the full README ↗
